Detecting unusual activities in surveillance video.
Author
Hartmann Have, Simon
Term
4. term
Publication year
2012
Submitted on
2012-05-31
Pages
89
Abstract
Dette speciale præsenterer et system, der kan opdage unormale hændelser i overvågningsvideo. Systemet bruger flere typer information fra billederne: bevægelse og retning (hvordan objekter flytter sig), størrelse (hvor store de ser ud), og tekstur (overflademønstre). Metoden bygger på en eksisterende løsning, men er forbedret ved at anvende en anden optisk flow-algoritme, som estimerer bevægelse mellem videobilleder. Metoden er testet på det offentligt tilgængelige UCSD Anomaly Detection-datasæt og viser gode resultater på tværs af kategorier sammenlignet med andre metoder. Derudover blev bidraget fra bevægelse, størrelse og tekstur undersøgt hver for sig; her viste tekstur alene sig at være ineffektiv. For at evaluere afvigelser baseret på retning blev der opbygget to datasæt, hvor systemet opnåede en fejlrate på 0,3 %. Med mindre ændringer vurderes løsningen at kunne anvendes i overvågningssystemer. Fremtidigt arbejde bør fokusere på at tage metoden i brug i praksis og forbedre funktionerne for størrelse og tekstur.
This thesis presents a system that detects unusual events in surveillance video. It combines several types of visual information: motion and direction (how objects move), size (how large they appear), and texture (surface patterns). The method builds on an existing solution and improves it by using a different optical flow algorithm, which estimates movement between video frames. The approach was evaluated on the publicly available UCSD Anomaly Detection dataset and showed good performance across categories compared with other methods. The contributions of motion, size, and texture were also tested separately; texture on its own was found to be ineffective. To study direction-based anomalies, two datasets were created, on which the system achieved a 0.3% error rate. With minor adjustments, the method could be used in surveillance systems. Future work should focus on deploying the approach in practice and improving the size and texture features.
[This abstract was generated with the help of AI]
Documents